R EVUE DE STATISTIQUE APPLIQUÉE
M ICHEL D EQUE
Étude de la persistance d’un champ météorologique
Revue de statistique appliquée, tome 31, n
o3 (1983), p. 39-56
<http://www.numdam.org/item?id=RSA_1983__31_3_39_0>
© Société française de statistique, 1983, tous droits réservés.
L’accès aux archives de la revue « Revue de statistique appliquée » (http://www.
sfds.asso.fr/publicat/rsa.htm) implique l’accord avec les conditions générales d’uti- lisation (http://www.numdam.org/conditions). Toute utilisation commerciale ou im- pression systématique est constitutive d’une infraction pénale. Toute copie ou im- pression de ce fichier doit contenir la présente mention de copyright.
Article numérisé dans le cadre du programme Numérisation de documents anciens mathématiques
39
ETUDE
DE LAPERSISTANCE D’UN CHAMP METEOROLOGIQUE
Michel DEQUE Météorologie Nationale, 77 rue de Sèvres, 92100 Boulogne, France
RESUME
Lorsqu’on est en
présence
d’une série de valeursnumériques
nonindépendantes
on peutmesurer la persistance et rechercher les cycles
privilégiés
en étudiant le diagramme d’autocor- rélation. Enmétéorologie
et plusparticulièrement
en circulationgénérale atmosphérique
ona affaire à des champs. Pour une échéance donnée on peut
décomposer
un champ en diffé-rentes composantes décorrélées dont la persistance décroît de la
première
à la dernière. Leurmode de construction est analogue à celui des Composantes Principales mais au lieu de maximi-
ser la variance, on cherche à maximiser l’autocorrélation temporelle. Diverses applications de
ce type de
décomposition
sont menées sur une série de 10 ans de champs degéopotentiel
à 500 mb simulés dans une
expérience
de circulationgénérale
effectuée au CentreEuropéen
de Prévisions
Météorologiques
à Moyen Terme.I. INTRODUCTION
La
persistance joue
un rôleimportant
enmétéorologie
car elle sert de réfé-rence pour une
prévision. Cependant,
toutes les variables n’ont pas la mêmepersis-
tance. Le
géopotentiel
à 200 mb évoluerabeaucoup plus
lentement que la nébu- losité.Lorsqu’on
a affaire à une variable unidimensionnelle(précipitations
en unestation)
onpeut
étudier lapersistance
par lediagramme
d’autocorrélationtempo-
relle. Plus les coefficients d’autocorrélation d’ordre k pk sontproches
de 1plus
la série est
persistante.
En outrel’apparition
de pl,proche
de 1 alors que les valeurs de pi pour i k étaient inférieures met en évidence uncycle
depériode
k. Lors-qu’on
a affaire à une variable multidimensionnelle et si la dimension estgrande,
il est hors de
question
d’étudier lescomposantes
une à une, surtout si elles ne sont pasindépendantes.
Uneexpérience
de circulationgénérale atmosphérique
a étéréalisée au Centre
Européen
de PrévisionsMétéorologiques
àMoyen
Terme(CEPMMT) (Voir
André 81 - Rilat etThépaut 82)
pour modéliser lecomporte-
ment de
l’atmosphère pendant
10 ans.Même en se
restreignant
auchamp
degéopotentiel
à 500 mbqui
résume lemieux la circulation
générale
del’atmosphère,
il y a 2048composantes (c.a.d
2048
points
sur unegrille
de 32 latitudes et 64longitudes)
fortement corrélées entre elles. On a recoursclassiquement
à unedécomposition
enComposantes Principales
de cechamp (Der Mégréditchian
et Mante1981,
Lau1981).
L’analyse
enComposantes principales
de cetteexpérience
a étéprésentée
dans Volmer et al. 1982. Il se trouve que les
premières Composantes Principales
sont
plus persistantes
que les suivantes mais ils’agit
là d’unepropriété
météorolo-Revue de Statistique Appliquée, 1983, vol. XXXI, n° 3
Mots-Clés :
Persistance, Météorologie, Géopotentiel,
CirculationGénérale,
Auto-gique
et nonstatistique (il
suffit de traiter leschamps
dans le désordre chronolo-gique :
les DirectionsPrincipales
seront les mêmes mais lesComposantes Principales
ne seront pas
autocorrélées).
On va donc essayer de résoudre le
problème
de ladécomposition
d’unchamp
en
composantes
décorrélées dont lespremières
serontplus persistantes
que les suivantes. Le butpoursuivi
est de faire le tri entre lapart
d’informationqui
seconserve
pendant
une certaine durée et cellequi
sedégrade rapidement
au coursdu
temps.
Pour mesurer la
persistance
d’unchamp
de manièreglobale,
il suffira de consi-dérer la
persistance
despremières composantes
et lapart
de variancequ’elles
occupent
dans ladécomposition
duchamp
initial.II. COMPOSANTES PERSISTANTES - DEFINITION ET PROPRIETES
a)
Position duproblème
Fixons k E N intervalle de
temps correspondant
àl’autocorrélation,
k = 1pour chercher la
persistance,
k > 1 pour chercher les durées de retour(par défaut,
k vaudra
1).
Considérons une série de N
champs
de dimension p, Zn.On cherche à obtenir
des
sériesxi n n = 1, N ; i = 1, p
par combinaison linéaire de Zn telles quexl
maximise l’autocorrélation à kjours (ou
k unitésquelconques
detemps) x2
maximise l’autocorrélation à kjours
sous la contrainte d’être non corrélée àx 1, x3
maximisant sous la contrainte d’être non corrélée àxi
et àx2
etc. Cette démarche est semblable à cellequi
mène à la définition desComposantes Principales :
on cherche des sérieszi n
n =1, N ;
i= 1,
p par combi-naison linéaire de Zn telles que
z 1
maximise lavariance, z2
maximise la variancesous la contriante d’être non corrélée à
z ,
etc.Les conditions sur
xi
sontindépendantes
de la moyenne et de lavariance ;
pour que leproblème
ait une solutionunique
nous poserons des conditions ana-logues
à cellesrequises
pour lesComposantes Principales.
Celles-ci étantcentrées,
nous
imposerons
auxXl
de l’être. Lechamp
Z ={Zn/n
=1,N}
se recomposeen
Zn = 03A3 zinCi
oùC1
est un vecteur normé de dimension p.Nous
imposerons
d’avoir larecomposition
de Z enest un vecteur normé de dimension p.
b)
Résolution duproblème
Soit Z la moyenne
temporelle
de Z. PosonsOn pose
Wk 2 (Wk
+Wk
est une matricesymétrique.
Soit B un vecteur de dimension p. Si xn =
B’(Zn - Z)
L’autocorrélation
des xn estB’WkB B’VB = BWkB B’VB
L’écriture
algébrique
duproblème posé plus
haut est :B’Wk B
..B’Wk B
On cherche
B1
maximisantpuis B2
maximisant 1 - sous laB VB B VB
contrainte
E (xi X2
= 0 soitB’1VB2 =
0.La solution de
ceproblème classique
est obtenue àpartir
des vecteurspropres
de
V-1 Wk
etWk V-1. Soient r 1 , r2 , ... rp
les valeurs propres deWkV-1 (ri
r2 > ... >rp) respectivement
associées aux vecteurs propres81 e2
...03B8p
orthonormés
(pour
lamétrique
V-1 :03B1in
=03B8’iV-1 (Zn - Z)
pour 1 n N est la solution duproblème
de maxi-misation. La variable
ai
est centrée et décorrélée avec lesaj j
-=1= i. On a :Nous choisissons les
scalaires {31
afin que les vecteursri = 03B8i 03B2i
soient normés(pour
la normeusuelle). Il vient (3i
=(03B8 ’i03B8i) 1/2
La solution du
problème peut
donc s’écrire sous forme définitive :Où
xi
est la ie .Composante
Persistante.Et
0393i la
ie Direction PersistanteL’autocorrélation de
xi
estri.
Lesxi
sont centrés et décorrélés.La variance de
xi
est :Les
8 1 étant
V-1 orthonormés la somme des variances des xi est Tr V commepour les
Composantes Principales.
On définira donc lapart
de varianceexpliquée
par la ie
Composante
Persistante :03B8’i03B8i/Tr
V.Les m
premières Composantes
Persistantesportent
moins de variance que lesm
premières Composantes Principales,
cequi
est naturelpuisqu’elles
n’ont pas été construites dans ce dessein.III. APPLICATION AU GEOPOTENTIEL à 500 mb
a)
10 hiversglobaux
Une
expérience portant
sur unepériode
de 10 ans réalisée en 1981 avec lemodèle
spectral
T 21(troncature
à 21 nombres d’onde zonaux et méridiens soit 484degrés
deliberté)
du CEPMMT fournit unimportant
fichier de donnéesglo-
bales dont nous n’avons retenu que le
géopotentiel
à 500 mb en coefficients spec- trauxtronqués
sur une T 13(troncature
à 13 nombres d’onde zonaux et méri-diens)
afin d’avoir 196degrés
de liberté(sans trop
déformer lechamp)
et de pou- voir traiter des matrices de covariance et d’autorcorrélation par des moyens infor-matiques simples (mémoire
centrale du CYBER175,
ordinateur CDC de la Météo-rologie Nationale).
On montre que la résolution duproblème
estéquivalente
enpoints
degrille
et en coefficientsspectraux.
Nous avons d’abord étudiél’hiver,
ou
plus
exactement les mois de Janvier et de Février(600 jours).
Les résultats sont montrés enprojection stéréographique polaire
surl’hémisphère
Nord -figure
1 etfigure
2.L’analyse
enComposantes Principales
fournit unepremière composante
de varianceexpliquée 8,6
%qui correspond
à un noyau de baisse(quand
elle estpositive)
sur le Groenland. Son autocorrélation est. 96 à 1jour
et .56 à 10
jours.
La deuxièmecomposante
a une varianceexpliquée
de 6.1 %et
correspond
à trois noyaux de baisse sur la baie del’Hudson,
la merCaspienne
et le
Pacifique
Nord et un fort noyau de hausse sur l’Alaska. Son autocorrélation est .94 à 1jour
et .25 à 10jours.
Elle est donc moinspersistante.
Nous avons faitensuite une
Analyse
enComposantes
Persistantes avec k = 1 sur les 60premières Composantes Principales (variance expliquée
89%)
de manière à filtrer lesphéno-
mènes non
significatifs
maisqui peuvent
êtrepersistants.
On obtient des résultats différents. Lapremière composante
a une varianceexpliquée
de 6%,
son auto-corrélation à 1
jour
est de .989 et à 10jours
de .920. Ellecorrespond
grosso modoà la
première Composante Principale (noyau
de baisse sur leGroenland).
La secondecomposante
a une varianceexpliquée
de 3.6%,
son autocorrélation est .978 à 1jour
et .710 à 10
jours.
Sonaspect
est sensiblement différent de celui de la deuxièmeComposante Principale.
Nous avons testé la sensibilité des deuxpremières Compo-
santes Persistantes.
Lorsqu’on
cherche à maximiser l’autocorrélation à 2jours
aulieu de 1
jour,
on obtientpratiquement
les mêmesrésultats ;
il en va de mêmelorsqu’on
traite les données désaisonnalisées(en
retirant àchaque
valeur dujour j
la valeur de l’année moyenne
correspondant
à cejour).
Toutefois si on ne retient que les 20
premières Composantes Principales
aulieu des 60
(variance expliquée
59%)
la deuxième Direction Persistante estplus
zonale. Il y a donc suffisamment de
persistance
dans lesComposantes Principales
21 à 60 pour modifier
l’aspect
de la deuxième Direction Persistante.b)
10 annéesglobales
Lorsqu’on
traite les 10 ans dans leurintégralité,
ilapparaît
uneComposante
Persistante très autocorrélée et dont la variance
expliquée
est 60%,
c’est lecycle
saisonnier
(l’année
moyenne se situe à 92%
sur une DirectionPrincipale
et lacomposante correspondante
suit unesinusoïde).
On enlève donc lecycle
annuelpar soustraction.
Lorsqu’on
fait uneAnalyse
enComposantes Principales
sur cesdonnées
(cf. IV),
ilapparaît
deuxcomposantes (Fig. 7)
de 4 % de varianceexpli-
Figure 1. -
1re
et2e
Directions Principales des 10 hivers.Figure 2. -
1 re
et2e
Directions Persistantes des 10 hivers.Figure
3. -lr’e
Direction Persistante des 10 ans désaisonnalisés.quée
dont l’une se situe dansl’hémisphère Nord,
l’autre dansl’hémisphère
Sud. Lapremière Composante
Persistante(Fig. 3) après filtrage
par les 20premières Compo-
santes
Principales (variance expliquée
46%)
rétablit lecouplage
entre les deuxpôles.
Elle a une autocorrélation
plus importante
que lesComposantes Principales (Fig. 4a) ;
à 40jours
elle vaut .55 alorsqu’elle
estnégligeable « .02)
pour lespremières Composantes Principales,
mais sa varianceexpliquée
n’est que de 2.7%.
Il est
remarquable
d’obtenir unepersistance
aussiimportante
à 40jours (l’auto-
corrélation demeure
supérieure
à .55 de 1 à 40jours)
alors que c’est l’autocorré- lation à 1jour
que l’on maximise. La carte de la Direction Persistante montreun
antagonisme
entre lepôle
Nord et lesanticyclones
del’hémisphère Sud,
d’unepart
et lepôle
Sud d’autrepart.
On observe en effet sur le modèle de circulationgénérale
de l’Etablissement d’Etudes et de RecherchesMétéorologiques (EERM) (voir
ROYER et al.1981, DEQUE
et al.1982)
des mois de Janvier où lapression moyenne
au niveau de la mer estplus
faible(que
sa valeur moyenne pour tous les mois de Janvierproduits
par lemodèle)
aupôle
Sud etplus
forte aupôle
Nordet des mois de
janvier
où l’inverse seproduit.
Plusprécisément chaque
foisqu’un
déficit de masse
apparaît
à unpôle,
un excédentapparaît
à l’autre. Ils’agit
doncd’un accident suffisamment
persistant
pourqu’il apparaisse
au niveau des moyennes mensuelles. Il est difficile dedire,
dans l’état actuel des données si cephénomène
se retrouve dans
l’atmosphère
réelle.c)
20 années sur un domaine réduitUn fichier établi par la subdivision
prévision
àlongue
échéance de la Météo-rologie
Nationale nous fournit 20 ans de données réelles sur un domaine de 89points
limité àl’Europe
etl’Atlantique
Nord. Une étude similaire à celle deb)
aété effectuée. La
première Composante Principale (Fig. 5) représente
lephéno-
mène de "Greenland Seesaw"
(bascule
duGroenland). Quand
lacomposante
est
positive
le flux d’Ouest s’infléchit et suit unetrajectoire
Sud-Ouest - Nord-Estsur
l’Europe
du Nord.Quand
lacomposante
estnégative,
l’orientation du fluxest Nord-Ouest - Sud-Est. La variance
expliquée
est 16.3 % et son autocorrélation .91 à unjour,
.3 5 à 5jours.
Figure 4. - Diagrammes d’autocorrélation à 10 jours de la
première
ComposantePrincipale (-) et de la Composante
Persistance (- - -) à partir des données désaisonnalisées a) sur le domaine global,
b) sur le domaine Europe-Atlantique.
Après filtrage
par les 28premières Composantes Principales (variance expli- quée
94%),
on obtient unepremière Composante
Persistantequi
nereprésente
pas le même
phénomène.
Si on schématise leprofil
Nord-Sud dugéopotentiel
enportant
A et B les deux centres d’action(Fig. 5) :
0=0 C > 0 C 0
On voit que
lorsque
lacomposante
estpositive,
legradient (et
donc la circu-lation)
est maximum vers50°
N : il y a accélération dujet. Lorsque
lacomposante
est
négative
legradient
est faible vers50°
N mais il est fort à30°
N et à70°
N : il y aséparation
dujet
en deuxbranches,
une branche Nord et une branche Sud.C’est le
phénomène
dublocage.
Lapremière composante persistante correspond
au
blocage
surl’Atlantique
Nord. La varianceexpliquée
est de 12.8%
et son auto- -Figure 5. - Première Direction Principale (a) et première Direction Persistante (b) des 20 ans désaisonnalisés.
corrélation est .94 à un
jour
et .48 à 5jours.
Lafigure
4b montre quejusqu’à
10
jours (et
en faitau-delà)
lapremière Composante
Persistante estplus
auto-corrélée que la
première Composante Principale.
IV. LEVEE DE LA DEGENERESCENCE DANS UNE ANALYSE EN COMPO- SANTES PRINCIPALES
Considérons deux
Composantes Principales
z 1(t)
et z2(t) dégénérées (c’est-
à-dire associées à la même valeur propre
À).
Elles sontdécorrélées,
mais toute combinaison :r 1
= Z1(t)
cos 0 - Z2(t)
sin 003B62
= Z1(t)
sin 0 + Z2(t)
cos 0donne un
couple (03B61 , 03B62) qui
satisfait aux mêmes conditions(décorrélation
etmaximum de
variance).
Mais si nous supposonsque
z 1 et z2 sontindépendantes,
il n’en vas pas de même
pour 03B61
ete2.
En effetr- k 12
=cor (r 1 (t) , 1 e2 (t
+k)) = (03C11 - P2)
cos 0 sin 0 oùp,
etP2
sont les autocorrélationstemporelles
à kjours
de
z 1
etz2 .
L’autocorrélationde 03B61
vautPI cos 2 0
+P2 sin 2 0
et cellede e2
vautp 1 sin2
0 +P2 coS2 0 .
Elles sontcomprises
entrePl
etp2 quelque
soit 0. Doncdans un sous espace propre de dimension 2 les
Composantes Principales qui
ont unsens
physique (c’est-à-dire
cellesqui
sontindépendantes)
sont lesComposantes
Persistantes. Ce résultat se
généralise
aisément en dimensionsquelconque.
Un pro- blème de cette nature s’estposé
lors del’Analyse
enComposantes Principales
des données désaisonnalisées de
l’expérience
de 10 ans(Fig.
6 et7).
Les deuxpremières Composantes Principales expliquent
4.48%
et 4.14%
de la variance.Disposant
de 10 ans, celareprésente
environ 1000 donnéesindépendantes.
Sil’on
applique
le test d’Anderson(MORISSON 1967),
on voit que ces deux valeursne sont pas
significativement
différentes(alors qu’on
montre que la troisièmel’est).
Si l’on considère les deux Directions
Principales
on voitqu’elles représentent
un
couplage
entre les deuxhémisphères (ce qui
est étonnantpuisque
les données sontdésaisonnalisées)
et que dansl’hémisphère
Nord elles ont la même structure et dansl’hémisphère
Sud elles ont des structures designe
contraire. On a bien envie deprendre
leur somme et leur différence(normées
par1/2)
mais celapeut
sembler artificiel. Considérons lesComposantes Principales 03B61
ete2
que nousdonne
l’algorithme
dediagnonalisation.
Les coefficients de corrélation croisésri2
sontpeut
différents desrk 1, augmentent
avec k et valent .10 à 10jours.
Nousne sommes donc pas en
présence
de variablesindépendantes.
On va donc chercher 03B8 pour quez 1 = 03B61
cos 0+ 03B62
sin 0 etz2 = - 03B61
sin 0+ 03B62
cos 0 aient descoefficients de corrélation croisés d’ordre k
nuls,
ou pour maximiser l’autocorré- lation de z1 il vient :puisqu’on
a vu querk12 ~ rk21 .
Or il se trouvequ’à
toutes les échéances le coeffi- cient d’autocorrélation03C11 de ç 1
est le même que celuide ç 2 ’ P2 .
On obtient donccos2 8 = sin2
0 =1/2
et onpeut prendre
Figure 6. -Directions Principales des données désaisonnalisées
C 1 et C2
V. APPLICATION A L’ETUDE DES CYCLES
Nous nous sommes intéressés
jusqu’à présent
à la maximisation depl
dontnous avons vérifié
qu’elle
fournissait des résultatsanalogues
à celle de Pk pour lespetites
valeurs de k. Intéressons-nous maintenant au cas où k devientplus grand (tout
en restantpetit
devant la taille dufichier).
Un casparticulier
est celui où kvaut une année et où on cherche à mettre en évidence le
cycle
annuel. Dans lecas de
l’expérience
de circulationgénérale
de 10 ans(filtrée
par les 20premières Composantes Principales qui expliquent
80 % de la variancetotale,
on considèreici l’année entière non
désaisonnalisée),
on trouve unepremière Composante
Per-sistante
(Fig. 8)
d’auto corrélation .998(à
unan)
et de varianceexpliquée
60 %.C’est la direction
qui porte
l’onde annuelle sinusoïdale et que l’on trouveégale-
ment pour les faibles valeurs de k. La deuxième
Composante
Persistantepossède
une autocorrélation de .755
puis
on trouve descomposantes
dont les autocorréla- tions sontpositives
et inférieures au seuil designification
estiméplus
loin. Lecycle
annuel est donc
porté
par deux directions et les autrescomposantes
sont décor- rélées avec celui-ci. Leprocédé classique
de désaisonnalisation(utilisé
auIII)
sefait en retranchant à une série de valeurs la valeur de l’année moyenne au
jour
Figure 7. -
Directions
Principales des données désaisonnaliséescorrespondant x(jour, an)
= x(jour, an) - x(jour).
S’iln’y
aplus
decycle
dansles moyennes de la
série,
il en reste dans les vriances(les
variances d’hiver sontplus
fortes que cellesd’été).
Dans le cas d’une variableunidimensionnelle,
onpeut
diviser par l’écarttype
aujour correspondant,
mais dans le cas d’une variablemulti-dimensionnelle,
c’estplus
délicat. De toutesfaçons
il restera uncycle
dans lesautocorrélations
temporelles (ce cycle
a été mis en évidence par J.P.LABARTHE).
Nous venons de mettre en évidence une
procédure
pour filtrer lecycle
annuel :on
décompose
lechamp
enComposantes Persistantes,
on annule les deuxpremières composantes, puis
on recompose lechamp. Géométriquement
cela revient à faireune
projection
duchamp
au lieu de faire des translations variables suivant la date.Ce
procédé, qui
n’a pas encore ététesté,
nécessite que lecycle
annuel d’une variable soit dans une variété de faible dimension.On
peut également regarder
cequi
se passequand
k varie de 1 à 100jours
sur les 20
premières Composantes Principales
del’expérience
de 10 ans(Fig. 9).
Regardons
ce que deviennent l’autocorrélation à kjours
et la varianceexpliquée
de la
première composante
Persistante à kjours
pour les données brutes et les données désaisonnalisées(par
la méthodetraditionnelle) ;
comme on fait uneFigure 8. -
1re
et2e
Directions Persistantes du cycle annuel.Analyse
enComposantes
Persistantes àchaque
échéance la courbequi joint
lesautocorrélations est
l’enveloppe
de tous lesdiagrammes
d’autocorrélation des combinaisons linéaires des 20Composantes Principales.
On observe une décrois-sance de l’autocorrélation
puis
une stabilisation a un seuil est de .40 pour lesdonnées
brutes et .70 pour les données désaisonnalisées(bien
que dans les deuxcas on ait un fichier 20 x
3 660).
La varianceexpliquée
décroîtégalement jusqu’à
un seuil
légèrement supérieur
à la varianceexpliquée
par la 20eComposantes
Prin-cipale (par
construction il nepeut
lui êtreinférieur).
Iln’y
a donc pas dans les données degéopotentiel
à 500 mb du modèle du CEPMMT de durée de retourprivilégiée correspondant
à une variance nonnégligeable (onde
à 5jours,
onde à18
jours,
onde à 28jours (la
lune n’est pasprise
encompte
dans lemodèle !) etc.).
La méthode que nous venons de décrire
peut
donc servir pouranalyser
lespectre temporel
d’une série dechamps (pour
une série de variables unidimensionnelleson
dispose
de la méthode des coefficients deFourier).
La série des variancesexpli- quées permet
de contrôler si l’onde àk jours qui
se manifesterait par unpic
d’auto-corrélation n’est pas de variance
négligeable
et doncprobablement
un artefactnumérique.
Figure 9. - Autocorrélation (-) et variance
expliquée
(- - -) de la Première Composante Persistantea) données brutes, b) données désaisonnalisées.
VI. COMPOSANTES MIXTES PRINCIPALES PERSISTANTES
Revenons à
l’Analyse
enComposantes Principales
linéaire mais au lieu deconsidérer les valeurs
quotidiennes
dugéopotentiel
à 500mb,
prenons un fichiertypiquement
peupersistant :
les moyennes mensuellesdépartementales
de lapluie
en France. Unepremière Composante Principale (Fig. 10a) porte
52%
de la variance totale etcorrespond
à la côteatlantique
et aux reliefsexposés
aux per- turbations d’ouest. LesComposantes Principales
suivantesexpliquent
16%,
6%,
5 % mais les autocorrélations sont faibles
.02, .15, ;
11 et .11. Iln’y
a pas de cor-respondance
entre l’échellespatiale
dudépartement
et l’échelletemporelle
du mois.Nous sommes donc conduits à chercher les
Composantes
Persistantes de ce fichier.On trouve 36
Composantes
sur 90 dont l’auto corrélation estsupérieure
à.50,
lapremière
étant.84,
mais les variancesexpliquées
sont inférieures à 2 %. On aime- raitpourtant
bien trouver uneprojection
duchamp
bien autocorrélée et cepen- dantsignificative.
Unepremière
méthode consiste à ne retenir que lesplus grandes
Composantes Principales,
mais onrisque
deperdre
de l’information car contrai- rement augéopotentiel
lapersistance
n’est pas concentrée dans lespremières
Composantes Principales. Reprenons
le passage de la variable réelle au vecteur.Figure
10. - Précipitations
mensuellesdépartementales,
a)1re
Direction Principale,b)
1re
Direction Mixte Principale Persistante.Dans le
premier
cas, ondispose
d’une mesure de lapersistance :
l’autocorrélation.Dans le
second,
on a p coefficients d’autocorrélation dont onpeut
faire la sommepondérée.
Leplus logique
est de choisir commepondération
la varianceexpliquée
par
chaque
coordonnée.Reprenons
les notations de II.L’autocorrélation de la
ie
coordonnéez
estp (zi) =
Wii(nous
omettronsle coefficient k fixé une fois pour
toutes). Vii
La variance
expliquée
parzi
estUn coefficient
global p(Z)
estCette
opération
est commode car elle est invariante par rotation des axes.Mais ce coefficient
global peut
être nul soit parcequ’aucune
des coordonnées n’estpersitante,
soit parce que certaines autocorrélations sontproches
de 1 alorsque d’autres sont
négatives.
Nousprendrons
donc comme coefficient d’autocorré- lation totaleAlors
aucune
persistance
dans lechamp.
On
peut
chercher une rotation A maximisantp(AZ).
On trouve alors Max colonne de la matrice A.
Soient
Di
les vecteurs propres deW (matrice symétrique)
associés aux valeurspropres wi. En
décomposant
la base orthonormée(Ai)
dans la base des(Di)
Donc
p (DZ)
est solution de la maximisation.Si on ordonne les
|Wi|
par ordre décroissant on définit une série decomposantes
avec
la
première maximise |03C1(xi)|.
- alors quel’analyse
enComposantes
Prin-cipales
maximisevar(xi) TrV
et quel’Analyse
enComposantes
Persistantes maximisep(xi).
La seconde n’est pas décorrélée à lapremière
mais on a seulementSi
x;
est assezpersistante,
onpeut
considérer quex;
etx*
sont décorrélés.Chaque
composante x*i
que nousappellerons
MixtePrincipale-Persistante
maximisel’autocorrélation
pondérée (sous
la contrainted’orthogonalité) |03C1(x*i|. var(x*i) TrV
et la somme de ces autocôrrélations
pondérées qui
constitue l’autocorrélationtotale est maximale et vaut
03C1(x*)
=03A3|Wi|
.Tr V
Avec la méthode que nous venons de décrire les
premières Composantes
Mixtes ne
peuvent
avoir ni une varianceexpliquée trop
faible ni une autocorréla- tiontrop
faible et sont sensiblement décorrélées. Ondispose
donc d’unpalliatif lorsque
lesComposantes
Persistantes sont très peusignificatives
ainsi que d’un coefficient pour mesurer lapersistance globale
d’unchamp.
Dans le casqui
nousintéresse
(moyennes
mensuellesdépartementales
depluie),
l’autocorrélation totale est de .16. Onpouvait
apriori
se douter de la faiblepersistance
de cechamp.
Lapremière Composante
Mixte(Fig. lOb) possède
une autocorrélationpondérée
de .05 soit une autocorrélation de .20 et une variance
expliquée
de 27 %. Ellecorrespond
aux domaines d’influence maritime.VII. CONCLUSION
La
persistance
d’unchamp peut
donc s’étudier endécomposant
cechamp
suivant des directions
privilégiées
solutions d’unproblème d’optimisation analogue
à celui de
l’Analyse
enComposantes Principales.
Lescomposantes obtenues, baptisées persistantes,
sontcentrées,
décorrélées entre elles et d’autocorrélationtemporelle
décroissante(la
méthode fournit des fonctions linéaires trèspersis-
tantes mais elle
peut
segénéraliser
à des fonctionspolynomiales
enaugmentant
la taille duchamp
parl’adjonction
demonômes).
Sur une série de 10 années de
champs
degéopotentiel
à 500 mb on cons-tate que les Directions Persistantes ne coincident pas avec les Directions
Principales.
Cette
décomposition permet
de lever ladégénérescence
dans uneAnalyse
enComposantes Principales.
Ellepermet
de chercher lescycles
ou les durées de retour ainsi que de désaisonnaliser une série dechamps
de manière différente de la mé- thode de soustraction de la moyenne. Sonapplication permet
d’afirmerqu’il n’y
a pas de
cycle
de variancesignificative
dans la série considérée. Toutefois cette méthode ne donne pas des résultats satisfaisantslorsqu’on
traite deschamps
peu
persistants.
Ondéveloppe
alors la notion deComposante
MixtePrincipale-
Persistante
qui permet
d’obtenir descomposantes
autocorrélées et de variancenon
négligeable.
En outre cette méthode fournit un indicateurglobal
de lapersis-
tance, l’autocorrélation totale.
REMERCIEMENTS
Je tiens
particulièrement
à remercier M.Guy
DER MEGREDITCHIAN pour son soutien constant et pour ses nombreux conseils.J’adresse
également
de vifs remerciements à MM. Jean PierreVOLMER,
Michel JARRAUD et ULRICH CUBASCHqui
ont mis en oeuvrel’expérience
de circulation
générale
et ont mis les résultats à madisposition.
Je remercie en outre Jean Pierre
LABARTHE,
JeanFrançois
ROYER etDaniel ROUSSELET pour l’aide occasionnelle
qu’ils
m’ontapportée.
BIBLIOGRAPHIE
D. ANDRE
(1981). - Analyse
d’uneexpérience
de circulationgénérale
effectuéeavec le modèle
spectral
du CEPMMT.Rapport
de stage de l’ENM.M.
DEQUE,
J.F. ROYER(1982). -
Modélisation ducycle
annuel à l’échelleglobale :
étude dejanvier
etjuillet.
Note de Travail de l’EERMn°
35.G. DER
MEGREDITCHIAN, C.
MANTE(1981). - Autoregression
of the 500 mbgeopotentiel
field for short and mean rangeforecasting.
Seminar on Statis-tical Prediction in
Meteorology,
Nice.J.P. LABARTHE
(1981). -
Contribution à laprévision
àlongue échéance ;
étude de latempérature
moyenne mensuelle. Notetechnique
du SMMn° 9,
Nouvelle série.
J.P. LABARTHE
(1982). - Quelques
réflexions sur une tentative deprévision
men-suelle. Note
Technique
de la DMN(à paraître).
N.C. LAU
(1981). 2014
Adiagnostic study
of recurrentmeteorological
anomalies ap-pearing
in a16-year
simulation with a GFDLgeneral
circulation model.Monthly
Weather Reviewn°
109.D.F. MORISSON
(1967). -
Multivariate statistical methods. Mc Graw Hill BookCompany.
M.F.
RILAT, M.A.
THEPAUT(1982). - Analyse
ducycle hydrologique
dans uneexpérience
de .10 ans de simulation du climat. Note de travail de l’ENMn°
20.J.F.
ROYER,
M.DEQUE,
H.J.CANETTI,
M. BOULANGER(1981). -
Presenta-tion du modèle
spectral
de circulationgénérale
à faible résolution. Simula- tion du climatde janvier.
Note de travail de l’EERMn°
16.J.P.
VOLMER,
M.DEQUE,
M. JARRAUD(1983). - Large
scale fluctuations in along
rangeintegration
of the ECMWFspectral
model. Tellusn° 35A,
173-188.